تاريخ الذكاء الاصطناعي: من فكرة الآلة المفكّرة إلى عصر النماذج التوليدية والوكلاء

مقدمة: لماذا لا يمكن اختزال تاريخ الذكاء الاصطناعي في ChatGPT؟

عندما نتحدث اليوم عن الذكاء الاصطناعي، غالبًا ما يبدأ الحديث من النماذج التوليدية وروبوتات المحادثة والوكلاء القادرين على استخدام الأدوات. لكن هذه المرحلة هي نتيجة سلسلة طويلة من الأسئلة والأفكار والاختراقات التقنية امتدت من الفلسفة والمنطق إلى الحوسبة الرقمية، ثم إلى التعلم الآلي والشبكات العصبية والتعلم العميق والمحولات والنماذج متعددة الوسائط.

لم يكن هذا التاريخ خطًا مستقيمًا. فقد انتقلت الأبحاث مرارًا بين التفاؤل والتراجع، وبين أنظمة تعتمد على قواعد يكتبها الإنسان وأنظمة تتعلم الأنماط من البيانات. وفي كل مرحلة أعادت حدود الحوسبة والبيانات والخوارزميات تشكيل السؤال: ما الذي يعنيه أن تكون الآلة ذكية؟

لذلك لا يهدف هذا المقال إلى سرد أسماء وتواريخ فقط، بل إلى شرح كيف انتقل المجال من محاولة تمثيل المعرفة والمنطق إلى بناء أنظمة تتعلم من البيانات، ثم إلى نماذج تولّد النص والصورة والصوت، وأخيرًا إلى أنظمة تجمع بين الاستدلال واستخدام الأدوات وتنفيذ المهام.

كيف نقرأ هذا التاريخ؟

لن نتعامل مع تاريخ الذكاء الاصطناعي كسلسلة مراحل تلغي كل واحدة منها ما قبلها. فالذكاء الرمزي، والتعلم الآلي، والشبكات العصبية، والتعلم العميق، والنماذج التوليدية، والاستدلال، والوكلاء مسارات متداخلة؛ بعضها استمر بالتوازي، وبعض الأفكار القديمة عادت داخل الأنظمة الحديثة. لذلك سيركز المقال في كل انتقال على أربعة أسئلة: ما المشكلة؟ ما التمثيل أو الخوارزمية؟ ماذا نجح؟ وما الحدود التي دفعت البحث إلى اتجاه جديد؟

الجذور الفكرية: الخوارزميات والمنطق قبل الذكاء الاصطناعي

قبل ظهور مصطلح الذكاء الاصطناعي بقرون، ظهرت محاولات لفهم الاستدلال بوصفه سلسلة من خطوات يمكن وصفها وتنفيذها. ارتبط اسم الخوارزمي تاريخيًا بتطوير ونشر أساليب حسابية منظمة، ومنها جاءت كلمة algorithm في اللغات الأوروبية. وفي الفلسفة والمنطق الإسلامي ناقش ابن سينا طبيعة القياس والاستدلال والبرهان، بينما تصور غوتفريد فيلهلم لايبنتس في القرن السابع عشر إمكانية صياغة بعض جوانب التفكير والاستدلال في صورة حسابية، ضمن ما ارتبط بفكرة Calculus Ratiocinator.

لم تكن هذه الأفكار ذكاءً اصطناعيًا بالمعنى الحديث، ولم تنتج منها آلات ذكية. أهميتها أنها ساعدت في بناء سؤال تاريخي طويل: هل يمكن تحويل بعض جوانب التفكير إلى قواعد وإجراءات يمكن تمثيلها بصورة رسمية؟ ومع تطور المنطق الرياضي ونظرية الحساب في القرن العشرين أصبح السؤال أكثر دقة، ومهّد الطريق إلى غودل وتشيرش وتورنغ.

1. تورنغ والأسس الرياضية للحوسبة

في ثلاثينيات القرن العشرين أصبحت أسئلة المنطق والحساب أكثر دقة. أظهرت مبرهنات عدم الاكتمال لكورت غودل حدودًا عميقة لما يمكن إثباته داخل الأنظمة الصورية. وفي الوقت نفسه قدم ألونزو تشيرش حساب لامبدا، بينما قدم آلان تورنغ النموذج الذي أصبح يعرف باسم آلة تورنغ.

هذه التطورات لم تكن ذكاءً اصطناعيًا تطبيقيًا، لكنها وضعت أساسًا لفكرة أن العمليات الحسابية والمنطقية يمكن وصفها بإجراءات رسمية قابلة للتنفيذ، وهو شرط أساسي لفكرة أن الآلة يمكنها تنفيذ عمليات تشبه بعض جوانب التفكير.

اختبار تورنغ عام 1950

في ورقته الشهيرة Computing Machinery and Intelligence المنشورة عام 1950، أعاد آلان تورنغ صياغة السؤال التقليدي: هل تستطيع الآلات التفكير؟ واقترح طريقة عملية للحكم على السلوك الحواري للآلة بدلًا من محاولة تعريف التفكير فلسفيًا بصورة نهائية (تورنغ، 1950).

أهمية تورنغ ليست في أنه أثبت أن الآلة تفكر، بل في أنه نقل النقاش إلى سلوك يمكن ملاحظته واختباره. وما زال هذا الفرق مهمًا: إنتاج إجابات مقنعة لا يثبت وحده امتلاك النظام وعيًا أو فهمًا بشريًا.

Cybernetics: مسار موازٍ حول التحكم والتغذية الراجعة

في 1948 نشر Norbert Wiener كتاب Cybernetics، الذي ربط بين التحكم والاتصال والتغذية الراجعة في الآلات والكائنات الحية. لم تكن Cybernetics فرعًا من الذكاء الاصطناعي الرمزي، لكنها طرحت فكرة مهمة: النظام المتكيف لا يعمل فقط بإنتاج قرار، بل يمكنه مراقبة نتيجة أفعاله واستخدامها لتعديل سلوكه.

سيظهر هذا المبدأ لاحقًا بصور مختلفة في الروبوتات والتعلم المعزز وأنظمة التحكم، ثم في الأنظمة الوكيلة التي تلاحظ البيئة وتنفذ خطوة وتفحص النتيجة وتقرر الخطوة التالية.

2. 1943–1958: ولادة مسارات الذكاء الاصطناعي

في 1943 نشر وارن مكولوتش ووالتر بيتس نموذجًا رياضيًا للعصبون الاصطناعي (مكولوتش وبيتس، 1943). وفي 1949 قدم دونالد هيب فكرة التعلم المعروفة بقاعدة Hebbian learning. جعل ذلك الذكاء قابلًا للتصور ليس فقط كقواعد منطقية صريحة، بل أيضًا كنظام من وحدات مترابطة تتغير أوزانها نتيجة التعلم.

في 1951 بنى Marvin Minsky وDean Edmonds جهاز SNARC، وهو من أوائل الأنظمة التي طبقت أفكار الشبكات العصبية. وفي الفترة نفسها ظهرت برامج ألعاب مبكرة؛ كتب Christopher Strachey برنامجًا للداما، ثم طور Arthur Samuel برنامجًا للداما يستطيع تحسين أدائه من خلال الخبرة.

من هنا ظهر مساران سيستمران لعقود: مسار يحاول بناء الذكاء من خلال القواعد والبحث، ومسار يحاول بناء القدرة من خلال التعلم.

3. دارتموث وعصر الذكاء الاصطناعي الرمزي

في صيف 1956 عُقد Dartmouth Summer Research Project on Artificial Intelligence، وهو الحدث الذي ارتبط بتأسيس الذكاء الاصطناعي كمجال بحثي مستقل (Dartmouth College). ارتبط تنظيمه بجون مكارثي ومارفن مينسكي وناثانيال روتشستر وكلود شانون، وكان مكارثي صاحب الدور الأبرز في صياغة اسم Artificial Intelligence للمجال.

في 1956 ظهر Logic Theorist من Allen Newell وHerbert Simon بمشاركة J. C. Shaw، واستطاع إثبات عدد من النظريات باستخدام البحث والتمثيل الرمزي. وفي 1957 قدم Frank Rosenblatt الـPerceptron، وبدأ Newell وSimon العمل على General Problem Solver، بينما طور McCarthy لغة LISP عام 1958.

بعد دارتموث نما الذكاء الاصطناعي الرمزي حول التمثيل والقواعد والبحث والتخطيط. كان الافتراض أن المشكلة يمكن تحويلها إلى رموز، ثم تطبيق قواعد والبحث في فضاء الحلول.

وفي هذه الفترة ظهرت أنظمة أوضحت عمليًا مدى هذا النهج وحدوده: بنى Terry Winograd عام 1970 نظام SHRDLU الذي فهم أوامر لغوية بسيطة داخل عالم مصغّر من المكعبات، بينما طوّر معهد أبحاث SRI الروبوت Shakey بين 1966 و1972 ليجمع بين الإدراك والتخطيط والحركة الفعلية. أظهر النظامان أن الذكاء الرمزي يعمل جيدًا داخل بيئات مبسّطة ومغلقة، لكنه واجه صعوبة حقيقية عند الانتقال إلى تعقيد العالم المفتوح، وهي الفجوة التي ستتضح أكثر مع شتاءات الذكاء الاصطناعي.

الأنظمة الخبيرة: عندما أصبحت المعرفة نفسها جزءًا من البرنامج

كانت الأنظمة الخبيرة امتدادًا طبيعيًا للذكاء الرمزي. حاول الباحثون تحويل معرفة المتخصص إلى قواعد وحقائق وآليات استدلال يمكن للنظام تطبيقها على حالات جديدة. كان DENDRAL من المشاريع الرائدة في الكيمياء، وبدأ مشروع MYCIN عام 1972 للمساعدة في تشخيص بعض حالات العدوى واقتراح المضادات الحيوية.

في الصناعة ظهر XCON، الذي طورته Digital Equipment Corporation بالتعاون مع باحثين في Carnegie Mellon، للمساعدة في تكوين أنظمة الحاسوب واختيار المكونات. أظهر نجاحه قيمة المعرفة القابلة للتمثيل بالقواعد، لكنه كشف أيضًا تكلفة بناء قواعد المعرفة وصيانتها والتعامل مع الاستثناءات.

4. شتاءات الذكاء الاصطناعي: حدود التوقعات والتمثيل والحوسبة

خلال الستينيات والسبعينيات هيمنت فكرة أن الذكاء يمكن تمثيله عبر الرموز والقواعد. لكن صعوبة توسيع المعرفة، والتعامل مع الحالات غير المتوقعة، وتكلفة البحث والحوسبة، كشفت فجوة بين الأداء في بيئات ضيقة وبين التعقيد المفتوح للعالم الحقيقي.

في 1966 قدم Joseph Weizenbaum برنامج ELIZA، وهو مثال مبكر على الحوار القائم على مطابقة الأنماط. وفي 1969 نشر Minsky وPapert كتاب Perceptrons، الذي أبرز حدود البيرسبترون أحادي الطبقة (Minsky وPapert، 1969). كما ساهم تقرير Lighthill عام 1973 في موجة الانتقادات التي سبقت خفضًا للتمويل في بريطانيا.

لم يكن الشتاء نتيجة عامل واحد. فقد تداخلت حدود الخوارزميات والبيانات والحوسبة والتوقعات المبالغ فيها، إلى جانب صعوبة صيانة الأنظمة الخبيرة. وكانت النتيجة تراجعًا دوريًا في التمويل والحماس، قبل أن تعود أفكار التعلم من البيانات بقوة أكبر.

5. عودة الشبكات العصبية والتعلم من البيانات

في 1986 نشر Rumelhart وHinton وWilliams عملًا مؤثرًا حول backpropagation، وساهم ذلك في إعادة الاهتمام بتدريب الشبكات متعددة الطبقات. وفي الثمانينيات والتسعينيات تطورت الشبكات الالتفافية والتعلم الإحصائي، بينما أصبحت أساليب مثل Support Vector Machines والنماذج الاحتمالية وأشجار القرار أدوات مهمة للتعلم من البيانات.

في 1989 ارتبطت أعمال Yann LeCun بالشبكات الالتفافية والتعرف على الكتابة اليدوية، ثم جاءت LeNet لتقدم مثالًا عمليًا مهمًا على التعلم العميق في الرؤية. وفي 1997 قدم Hochreiter وSchmidhuber بنية LSTM لمعالجة مشكلة الاعتماد طويل المدى في التسلسلات.

6. Deep Blue: قوة البحث والحوسبة المتخصصة

في 1997 هزم Deep Blue من IBM بطل العالم في الشطرنج Garry Kasparov. اعتمد النظام على البحث المكثف والحوسبة المتخصصة وتقييمات مصممة للشطرنج (IBM). كانت المحطة مهمة لأنها أظهرت أن الأداء العالي في مهمة محددة يمكن أن ينتج من الجمع بين الخوارزميات والحوسبة المتخصصة، من دون أن يكون النظام نموذج تعلم عميق حديثًا.

وبعد عقد ونصف تقريبًا، قدّم نظام Watson من IBM مثالًا آخر على نهج البحث والحوسبة المتخصصة، لكن في مجال مختلف: ففي 2011 فاز Watson في مسابقة الأسئلة والأجوبة Jeopardy! معتمدًا على استرجاع المعلومات ومعالجة اللغة الطبيعية وتقنيات إحصائية، دون أن يكون نموذج تعلم عميق بالمعنى الذي ساد بعد 2012. أظهر ذلك أن أنظمة البحث والاسترجاع يمكن أن تحقق أداءً قويًا في مهام لغوية معقدة قبل أن تُحدث موجة التعلم العميق نقلة مختلفة تمامًا.

7. البيانات الكبيرة وImageNet وولادة موجة التعلم العميق

مع تزايد البيانات وقدرة وحدات GPU على تنفيذ الحسابات المتوازية، أصبحت الشبكات العميقة أكثر قابلية للتدريب. لعبت ImageNet دورًا مهمًا في توفير بيانات واسعة ومعيارًا واضحًا للمقارنة في الرؤية الحاسوبية.

في 2012 حقق AlexNet نتيجة مؤثرة في مسابقة ImageNet، وأظهر بصورة واضحة قيمة الجمع بين الشبكات العميقة وبيانات واسعة وGPU والحوسبة المناسبة (Krizhevsky et al.، 2012). أصبحت هذه المحطة من نقاط التحول الرئيسية في صعود التعلم العميق.

8. AlphaGo والتعلم المعزز والبحث

في 2016 أظهر AlphaGo كيف يمكن الجمع بين التعلم العميق والتعلم المعزز والبحث الشجري في نظام واحد. فبدل الاعتماد على قواعد بشرية كاملة، تعلم النظام تمثيلات وسياسات من البيانات والتفاعل، ثم استخدم البحث لتقييم المسارات المحتملة (Silver et al.، 2016).

فوز AlphaGo على Lee Sedol أصبح محطة جماهيرية وعلمية مهمة، لأنه أظهر أن التعلم من البيانات والتفاعل يمكن أن يتجاوز الأساليب التقليدية في بعض المهام المعقدة.

9. LSTM وSeq2Seq وتطور معالجة التسلسلات

ساعدت LSTM في معالجة الاعتماد طويل المدى في التسلسلات، ثم ظهرت معماريات Seq2Seq التي أصبحت مهمة في الترجمة والتلخيص ومهام اللغة. كانت هذه النماذج خطوة مهمة قبل ظهور Transformer، لكنها بقيت مرتبطة بقيود المعالجة التسلسلية (Hochreiter وSchmidhuber، 1997).

10. GANs والنماذج التوليدية

في 2014 قدم Goodfellow وزملاؤه Generative Adversarial Networks، حيث يتنافس مولد مع مميّز في عملية تدريب تنتج عينات أكثر واقعية تدريجيًا. أعادت GANs تشكيل جزء مهم من تاريخ النماذج التوليدية.

ثم تطورت مسارات أخرى للتوليد، بما فيها نماذج الانتشار. ظهر DALL·E في 2021 كمرحلة مهمة في ربط النص بتوليد الصور، ثم انتشرت DALL·E 2 وStable Diffusion وأدوات تجارية أخرى في 2022 (Rombach et al.، 2022).

11. 2017: Transformer يغيّر مسار الذكاء الاصطناعي

قدمت ورقة Attention Is All You Need عام 2017 بنية Transformer القائمة على آلية الانتباه. سمحت البنية بتوازي أكبر في التدريب، وأصبحت لاحقًا أساسًا لكثير من النماذج اللغوية الكبيرة والنماذج متعددة الوسائط (Vaswani et al.، 2017).

أهمية Transformer لا تختصر في كونه نموذجًا لغويًا؛ فقد قدم طريقة عامة لتمثيل العلاقات داخل التسلسلات، ثم امتدت الفكرة إلى الرؤية والصوت والفيديو وأنواع أخرى من البيانات.

12. BERT وGPT-2 وGPT-3: عصر التدريب المسبق

في 2018 عزز BERT فكرة التدريب المسبق للنماذج اللغوية ثم تكييفها لمهام متعددة. وفي 2019 أظهر GPT-2 أثر زيادة حجم النموذج والبيانات في النمذجة التوليدية للغة. وفي 2020 نقل GPT-3 حجم النماذج اللغوية إلى مستوى أكبر وأظهر قدرات few-shot في مجموعة واسعة من المهام. إذا أردت فهم الفرق العملي بين Zero-shot وFew-shot وChain-of-Thought ومتى تستخدم كل أسلوب، راجع دليلنا <a href="/ar/posts/zero-shot-few-shot-chain-of-thought-guide">Zero-shot أم Few-shot أم Chain-of-Thought؟</a>.

أدى ذلك إلى بروز مفهوم Foundation Models: نماذج واسعة التدريب يمكن تكييفها لمجموعة من المهام بدل بناء نموذج منفصل لكل مهمة.

13. AlphaFold2 والذكاء الاصطناعي العلمي

في 2020 حقق AlphaFold2 في CASP14 قفزة كبيرة في دقة التنبؤ ببنية البروتينات، ونُشرت تفاصيل الإنجاز في Nature عام 2021 (Jumper et al.، 2021). كانت المحطة مثالًا على انتقال التعلم العميق من مهام الإدراك واللغة إلى مسائل علمية معقدة.

لاحقًا وسّع AlphaFold 3 نطاق النمذجة إلى تفاعلات جزيئية تشمل البروتينات والأحماض النووية والجزيئات الصغيرة والأيونات وغيرها، موضحًا كيف يمكن أن تصبح النماذج جزءًا من أدوات البحث العلمي بدل أن تكون مجرد واجهات للمستخدم.

14. ChatGPT: عندما أصبحت النماذج التوليدية واجهة جماهيرية

أطلقت OpenAI ChatGPT في 30 نوفمبر 2022. لم يكن ChatGPT بداية الذكاء الاصطناعي ولا أول نموذج لغوي كبير، لكن أهميته التاريخية كانت في الجمع بين نموذج لغوي قوي وواجهة محادثية سهلة أتاحت استخدام هذه القدرات لجمهور واسع (OpenAI، 2022).

في الفترة نفسها أصبحت أدوات توليد الصور جزءًا من الاستخدام العام للذكاء الاصطناعي، ثم توسعت النماذج اللغوية في البرمجة والبحث والكتابة والتحليل. وهكذا انتقل الذكاء الاصطناعي التوليدي من مجال بحثي ومنتجات متخصصة إلى طبقة استخدام عامة. ولمن يريد مقارنة عملية بين النماذج الأكثر استخدامًا اليوم، لدينا دليل مفصل بعنوان <a href="/ar/posts/chatgpt-vs-gemini-vs-claude-vs-grok-2026">ChatGPT مقابل Gemini مقابل Claude مقابل Grok في 2026</a>.

15. الذكاء الاصطناعي متعدد الوسائط

لم تعد النماذج الحديثة محصورة في النص. توسعت الأنظمة لتتعامل مع الصور والصوت والفيديو، وتجمع هذه الأنماط مع اللغة. هذا التحول مهم لأن العالم الذي يتفاعل معه الإنسان متعدد الوسائط أصلًا.

أصبح النموذج اللغوي في كثير من التطبيقات جزءًا من منظومة أكبر تشمل الإدراك، والتوليد، واستدعاء الأدوات، والذاكرة أو السياق، والتقييم، والتنفيذ. وإذا لاحظت أن نموذجك يبدأ بنسيان بداية محادثة طويلة، فهذا مرتبط مباشرة بحدود الذاكرة السياقية التي نشرحها في <a href="/ar/posts/how-to-manage-long-ai-conversations-without-losing-focus">لماذا ينسى الذكاء الاصطناعي بداية محادثتك الطويلة؟</a>.

16. Reasoning وTool Use وComputer Use

مع تطور النماذج، أصبح التركيز لا ينصب فقط على جودة النص الناتج، بل على قدرة النظام على معالجة مسائل متعددة الخطوات، وتخصيص وقت إضافي للاستدلال، واستخدام أدوات خارجية، والتحقق من النتائج.

يمثل Tool Use انتقالًا من نموذج ينتج إجابة إلى نموذج يستطيع استدعاء حاسبة أو محرك بحث أو واجهة برمجية أو أداة متخصصة. أما Computer Use فيضيف قدرة على تنفيذ خطوات عبر واجهات البرامج أو الويب، عندما تسمح البيئة بذلك.

17. الوكلاء والأنظمة المركبة

الوكيل ليس مجرد نموذج لغوي كبير باسم مختلف. في أبسط صورة، هو نظام يضع نموذجًا داخل حلقة من الملاحظة والتخطيط والتنفيذ والتقييم. قد يقرر النظام الخطوة التالية، يستخدم أداة، يراجع النتيجة، ثم يكرر الدورة حتى يحقق معيار نجاح محدد. لشرح مبسط وأشمل لهذا المفهوم وكيف يختلف عن روبوتات المحادثة التقليدية، راجع <a href="/ar/posts/what-are-ai-agents-explained">وكلاء الذكاء الاصطناعي AI Agents بشرح مبسط</a>.

في 2025–2026 ازداد الاهتمام بأنظمة تخطط وتستخدم الأدوات وتنفذ مهامًا متعددة الخطوات، بالتوازي مع اهتمام متزايد بالنماذج الأصغر والأكثر كفاءة. لذلك أصبح من الأنسب وصف كثير من التطبيقات الحديثة باعتبارها أنظمة مركبة لا نموذجًا واحدًا.

18. لماذا لا تسير مراحل الذكاء الاصطناعي في خط مستقيم؟

التعلم الآلي لم يلغَ الذكاء الرمزي، والشبكات العصبية لم تلغِ البحث، وTransformer لم يجعل كل التقنيات السابقة غير مهمة. كثير من الأنظمة الحديثة تجمع بين التمثيل، والتعلم، والبحث، والاستدلال، والأدوات.

هذه الحقيقة تفسر لماذا يمكن العثور على أفكار قديمة داخل الأنظمة الحديثة: التغذية الراجعة من Cybernetics، والبحث من AI الرمزي، والتعلم من الشبكات العصبية، والتخطيط من الروبوتات، كلها يمكن أن تظهر اليوم داخل نظام واحد.

19. التصنيف: AI وML وDL وGenerative AI وLLMs وAgents

الذكاء الاصطناعي AI هو المظلة الأوسع للأنظمة التي تؤدي مهام ترتبط عادة بالذكاء. التعلم الآلي ML هو مجموعة من الأساليب التي تتعلم من البيانات. التعلم العميق DL هو فرع من التعلم الآلي يعتمد على شبكات عصبية متعددة الطبقات.

الذكاء الاصطناعي التوليدي يركز على إنتاج محتوى جديد، بينما Foundation Models تشير إلى نماذج واسعة التدريب قابلة للتكييف. LLMs هي نماذج لغوية كبيرة، وMultimodal AI يتعامل مع أكثر من نمط بيانات. أما Agents فهي أنظمة تستخدم النماذج داخل حلقات تخطيط وتنفيذ وتقييم.

20. الخط الزمني: من الجذور إلى 2026

21. أهم المحطات التاريخية

22. ماذا نتعلم من تاريخ الذكاء الاصطناعي عند استخدامه اليوم؟

التحول من الذكاء الرمزي إلى التعلم الآلي لم يكن مجرد استبدال تقنية بأخرى. في الأنظمة الرمزية كان الإنسان يحدد جزءًا كبيرًا من المعرفة والقواعد. في التعلم الآلي أصبح النظام يستخلص أنماطًا من الأمثلة. وفي التعلم العميق أصبح بالإمكان تعلم تمثيلات أكثر تعقيدًا مباشرة من البيانات.

مع Transformer والنماذج الكبيرة أصبحت اللغة واجهة عامة لمجموعة واسعة من المهام. أما المرحلة الوكيلية فتضيف مستوى آخر: النموذج لا يكتفي بإنتاج مخرجات، بل يمكن وضعه داخل حلقة تخطيط وتنفيذ ومراجعة. وهذا بالضبط ما يجعل التحقق من مخرجات النموذج خطوة لا يجب تخطيها؛ نوضح كيفية ذلك عمليًا في <a href="/ar/posts/how-to-fact-check-ai-answers">كيف تتحقق من صحة إجابات الذكاء الاصطناعي في أقل من دقيقتين؟</a>.

23. أسئلة شائعة

24. الخلاصة

تاريخ الذكاء الاصطناعي هو تاريخ تغير في طريقة تمثيل المشكلة وحلها: من قواعد واستدلال رمزي، إلى تعلم من البيانات، إلى شبكات عميقة، ثم إلى نماذج كبيرة متعددة الوسائط، وأخيرًا إلى أنظمة تجمع النموذج مع الاستدلال والأدوات والتنفيذ.

لا تمثل كل مرحلة إلغاءً لما قبلها. فالكثير من الأنظمة الحديثة تجمع أفكارًا عمرها عقود داخل بنية واحدة. وهذا ربما يكون أهم درس تاريخي: التقدم في الذكاء الاصطناعي لا يأتي من خوارزمية واحدة فقط، بل من تفاعل الخوارزميات والبيانات والحوسبة وطرق التقييم وواجهات الاستخدام.

25. المصادر والمراجع التاريخية

1. Alan Turing, Computing Machinery and Intelligence (1950), Turing Digital Archive — King's College Cambridge. 2. McCulloch, W. S. & Pitts, W. (1943), A Logical Calculus of the Ideas Immanent in Nervous Activity. 3. Dartmouth College, The Dartmouth Summer Research Project on Artificial Intelligence / AI at Dartmouth. 4. Minsky, M. & Papert, S. (1969), Perceptrons: An Introduction to Computational Geometry. 5. IBM, Deep Blue historical account. 6. Krizhevsky, A., Sutskever, I. & Hinton, G. (2012), ImageNet Classification with Deep Convolutional Neural Networks. 7. Silver, D. et al. (2016), Mastering the game of Go with deep neural networks and tree search. 8. Vaswani, A. et al. (2017), Attention Is All You Need. 9. Jumper, J. et al. (2021), Highly accurate protein structure prediction with AlphaFold. 10. OpenAI, Introducing ChatGPT (2022). 11. Rombach, R. et al. (2022), High-Resolution Image Synthesis With Latent Diffusion Models. 12. Hochreiter, S. & Schmidhuber, J. (1997), Long Short-Term Memory. 13. Winograd, T. (1972), Understanding Natural Language (SHRDLU). 14. SRI International, Shakey the Robot — historical account. 15. IBM, Watson and the Jeopardy! Challenge — historical account.